Список проголосовавших за комментарий "AlexGood, делал для Python.<br/> <br/> from sklearn.linear_model import LinearRegression<br/> <br/> # Расчет канала линейной регрессии ---------------------------------------------------------------------------------<br/> std: float = df['close'].std() # Стандартное отклонение для колонки close<br/> <br/> x: np = np.arange(30).reshape((-1, 1)) # Одномерный массив numpy в двумерный<br/> y: np = df['close'].to_numpy() # Колонку close в numpy массив<br/> y = y.flatten() # Преобразование двумерного массива numpy в одномерный массив numpy<br/> <br/> model = LinearRegression() # Создание модели линейной регрессии<br/> model.fit(x, y) # Обучение модели<br/> y_pred: np = model.predict(x) # Массив предсказаний<br/> diff_pred: np = np.diff(y_pred) # Разница между значениями предсказаний<br/> <br/> step_regression = diff_pred[-1] # Шаг повышения или понижения канала регрессии<br/> upper = round(y_pred[-1] + std + step_regression, 0) # Верхняя граница канала регрессии экстраполированная<br/> lower = round(y_pred[-1] — std + step_regression, 0) # Нижняя граница канала регрессии экстраполированная<br/> width_channel = upper